OpenLedgerデプス研報：OP Stack+EigenDAを基盤に、データ駆動型でモデルがコンポーザブルなエージェント経済を構築する

I. はじめに | Crypto AIのモデルレイヤージャンプ

データ、モデルと算力は AI インフラの三大核心要素であり、燃料（データ）、エンジン（モデル）、エネルギー（算力）をアナロジーとして欠かせません。従来の AI 業界のインフラ進化の道筋に似て、Crypto AI 分野も類似の段階を経てきました。2024 年初頭、市場は一時去中心化 GPU プロジェクトに主導され、( 一部の去中心化算力プラットフォームなど)、一般的に「算力を競う」粗放型の成長ロジックを強調していました。しかし、2025 年に入ると、業界の焦点は徐々にモデルとデータ層にシフトし、Crypto AI が基盤リソース競争から、より持続可能で応用価値のある中層構築へと移行していることを示しています。

! [OpenLedger In-Depth Research Report: Building a Data-Driven, Model-Composable Agent Economy Based on OP Stack+EigenDA](https://img-cdn.gateio.im/social/ モーメント-62B3FA1E810F4772AABA3D91C74C1AA6)

####ジェネラルラージモデル(LLM)とスペシャライズドモデル(SLM)

従来の大型言語モデル（LLM）のトレーニングは、大規模データセットと複雑な分散アーキテクチャに高度に依存しており、パラメータの規模は70B〜500Bに達し、トレーニング1回のコストは数百万ドルに上ることが常です。一方、SLM（Specialized Language Model）は、再利用可能な基盤モデルの軽量微調整パラダイムとして、通常はLLaMA、Mistral、DeepSeekなどのオープンソースモデルに基づき、少量の高品質な専門データやLoRAなどの技術を組み合わせることで、特定の分野の知識を持つ専門モデルを迅速に構築し、トレーニングコストと技術的ハードルを大幅に低下させます。

注意すべきは、SLMはLLMの重みの中に統合されず、エージェントアーキテクチャの呼び出し、プラグインシステムによる動的ルーティング、LoRAモジュールのホットプラグ、RAG（リトリーバル強化生成）などの方法でLLMと協力して動作することです。このアーキテクチャはLLMの広範なカバレッジ能力を保持しつつ、ファインチューニングモジュールによって専門的なパフォーマンスを強化し、高度に柔軟なコンビネーションインテリジェントシステムを形成しています。

Crypto AI のモデルレイヤーにおける価値と境界

Crypto AI プロジェクトは本質的に大規模言語モデル（LLM）のコア能力を直接向上させることが難しい。核心的な理由は、

• 技術的ハードルが高すぎる：Foundation Model を訓練するために必要なデータ規模、計算リソース、エンジニアリング能力は非常に膨大であり、現在はアメリカ（OpenAI など）と中国（DeepSeek など）といったテクノロジーの巨人のみがそれに対応できる能力を持っている。
• オープンソースエコシステムの限界：主流の基盤モデルであるLLaMAやMixtralはオープンソース化されていますが、モデルの突破を推進する鍵は依然として研究機関とクローズドソースのエンジニアリングシステムに集中しており、チェーン上のプロジェクトはコアモデル層への参加スペースが限られています。

しかし、オープンソースの基盤モデルの上に、Crypto AIプロジェクトは、特化した言語モデル（SLM）を微調整し、Web3の検証可能性とインセンティブメカニズムを組み合わせることで価値を拡張できます。AI産業チェーンの「周辺インターフェース層」として、2つの核心的な方向性に現れます：

• 信頼できる検証層：モデル生成パス、データの貢献と使用状況をオンチェーンで記録し、AI出力のトレーサビリティと改ざん耐性を強化します。
• インセンティブメカニズム：ネイティブトークンを利用して、データのアップロード、モデルの呼び出し、エージェント（Agent）の実行などの行動を奨励し、モデルのトレーニングとサービスのポジティブサイクルを構築します。

AIモデルタイプの分類とブロックチェーンの適用性分析

これにより、モデル型Crypto AIプロジェクトの実行可能な落とし所は、主に小型SLMの軽量化ファインチューニング、RAGアーキテクチャのチェーン上データ接続と検証、そしてEdgeモデルのローカルデプロイとインセンティブに集中していることがわかります。ブロックチェーンの検証可能性とトークンメカニズムを組み合わせることで、Cryptoはこれらの中小リソースモデルシーンに特有の価値を提供し、AI「インターフェース層」の差別化された価値を形成します。

データとモデルに基づくブロックチェーン AI チェーンは、各データとモデルの貢献元を明確かつ改ざん不可能な形でブロックチェーンに記録し、データの信頼性とモデルのトレーニングの追跡可能性を大幅に向上させます。また、スマートコントラクトメカニズムを通じて、データやモデルが呼び出されると、自動的に報酬の分配がトリガーされ、AI の行動を測定可能で取引可能なトークン化された価値に変換し、持続可能なインセンティブシステムを構築します。さらに、コミュニティのユーザーはトークン投票を通じてモデルの性能を評価し、ルールの策定と反復に参加し、分散型ガバナンスの構造を改善することができます。

! [OpenLedger In-Depth Research Report: Building a Data-Driven, Model-Composable Agent Economy Based on OP Stack+EigenDA](https://img-cdn.gateio.im/social/ モーメント-19C2276FCCC616CCF9260FB7E35C9C24)

二、プロジェクト概要 | OpenLedger の AI チェーンビジョン

OpenLedgerは現在の市場で数少ないデータとモデルのインセンティブメカニズムに焦点を当てたブロックチェーンAIプロジェクトです。これは「Payable AI」の概念を初めて提唱し、公平で透明かつコンポーザブルなAI運用環境を構築することを目的としています。データ提供者、モデル開発者、AIアプリケーションビルダーが同じプラットフォームで協力し、実際の貢献に基づいてオンチェーン収益を得ることを奨励します。

OpenLedgerは「データ提供」から「モデルデプロイメント」、さらに「呼び出し利益分配」に至る全チェーンのクローズドループを提供しており、そのコアモジュールには次のものが含まれます：

• モデルファクトリー：プログラミング不要で、オープンソースのLLMを基にLoRAを使用してカスタムモデルを微調整し、トレーニングおよびデプロイできます；
• OpenLoRA：千のモデルの共存をサポートし、必要に応じてダイナミックにロードし、展開コストを大幅に削減します；
• PoA（アトリビューションの証明）：チェーン上の呼び出し記録を通じて、貢献度の測定と報酬の配分を実現する；
• Datanets：垂直シーンに向けた構造化データネットワークで、コミュニティの協力によって構築および検証されます；
• モデル提案プラットフォーム（Model Proposal Platform）：組み合わせ可能、呼び出し可能、支払い可能なチェーン上のモデル市場。

上記のモジュールを通じて、OpenLedgerはデータ駆動型でモデルが組み合わさった「インテリジェントエコノミーインフラ」を構築し、AIのバリューチェーンのオンチェーン化を推進しています。

そして、ブロックチェーン技術の採用において、OpenLedgerはOP Stack + EigenDAを基盤として、AIモデルのために高性能、低コスト、検証可能なデータと契約の実行環境を構築しました。

• OP Stack に基づいて構築：Optimism テクノロジースタックに基づき、高スループットと低コストの実行をサポート；
• イーサリアムメインネットでの決済： 取引の安全性と資産の完全性を確保する；
• EVM互換：Solidityに基づいて迅速にデプロイおよび拡張を行う開発者に便利；
• EigenDAはデータの可用性サポートを提供します：ストレージコストを大幅に削減し、データの検証可能性を確保します。

NEARのようなより基盤的で、データ主権と「AI Agents on BOS」アーキテクチャを主打する汎用AIチェーンに対して、OpenLedgerはデータとモデルのインセンティブに特化したAI専用チェーンの構築に注力しており、モデルの開発と呼び出しがチェーン上で追跡可能、組み合わせ可能、持続可能な価値のサイクルを実現することを目指しています。これはWeb3の世界におけるモデルインセンティブの基盤インフラであり、特定のモデルホスティングプラットフォームとしてのモデルホスティング、特定の決済プラットフォームとしての使用課金、および特定のブロックチェーンインフラサービスプラットフォームとしてのチェーン上の組み合わせ可能なインターフェースを組み合わせて、「モデルは資産」という実現の道筋を推進しています。

! [OpenLedger In-Depth Research Report: Building a Data-Driven, Model-Composable Agent Economy Based on OP Stack+EigenDA](https://img-cdn.gateio.im/social/ モーメント-F23F47F09226573B1FCACEBDCFB8C1F3)

三、OpenLedger のコアコンポーネントと技術アーキテクチャ

3.1 モデルファクトリー、コード不要のモデルファクトリー

ModelFactory は OpenLedger エコシステムにおける大規模言語モデル（LLM）微調整プラットフォームです。従来の微調整フレームワークとは異なり、ModelFactory は完全なグラフィカルインターフェース操作を提供し、コマンドラインツールや API 統合は不要です。ユーザーは OpenLedger 上で完了した認可および審査済みのデータセットに基づいてモデルを微調整できます。データの認可、モデルのトレーニングおよびデプロイメントの統合ワークフローを実現し、そのコアプロセスには以下が含まれます：

• データアクセス制御：ユーザーがデータリクエストを提出し、提供者が審査・承認し、データが自動的にモデル訓練インターフェースに接続される。
• モデル選択と設定：主流の LLM（例えば LLaMA、Mistral）をサポートし、GUIを通じてハイパーパラメータを設定します。
• 軽量微調整：内蔵のLoRA / QLoRAエンジンで、トレーニングの進捗をリアルタイムで表示します。
• モデル評価とデプロイ：内蔵評価ツール、エクスポートデプロイまたはエコシステム共有呼び出しをサポートします。
• インタラクティブ検証インターフェース： チャット形式のインターフェースを提供し、モデルの質問応答能力を直接テストするのに便利です。
• RAG生成トレーサビリティ：出所の引用を含む回答で、信頼性と監査可能性を高める。

Model Factory システムアーキテクチャは、アイデンティティ認証、データ権限、モデル微調整、評価展開、RAGトレーサビリティを通じて、6つの主要モジュールで構成されており、安全で制御可能、リアルタイムインタラクション、持続可能な収益化を実現する統合モデルサービスプラットフォームを構築します。

! [OpenLedger In-Depth Research Report: Building a Data-Driven, Model-Composable Agent Economy Based on OP Stack+EigenDA](https://img-cdn.gateio.im/social/ モーメント-909dc3f796ad6aa44a1c97a51ade4193)

ModelFactory 現在サポートしている大規模言語モデルの能力の簡易表は以下の通りです：

• LLaMAシリーズ：エコシステムが最も広く、コミュニティが活発で、汎用性能が強く、現在最も主流のオープンソース基盤モデルの一つです。
• Mistral：アーキテクチャが効率的で、推論性能が非常に優れており、柔軟なデプロイメントやリソースが限られたシナリオに適しています。
• Qwen：アリババ製、中文タスクのパフォーマンスが優れており、総合能力が強く、国内の開発者に最適な選択。
• ChatGLM：中文対話の効果が突出しており、垂直型カスタマーサービスやローカライズシーンに適しています。
• Deepseek：コード生成と数学的推論に優れたパフォーマンスを発揮し、スマート開発支援ツールに適しています。
• Gemma：Googleが提供する軽量モデルで、構造が明確で、迅速に始めて実験しやすい。
• ファルコン：かつてはパフォーマンスのベンチマークであり、基礎研究や比較テストに適していましたが、コミュニティの活性度は低下しました。
• BLOOM：多言語サポートが強いが、推論性能が弱く、言語カバレッジ型の研究に適しています。
• GPT-2：初期のクラシックモデルで、教育および検証目的にのみ適しており、実際の展開には推奨されません。

OpenLedgerのモデルの組み合わせには最新の高性能MoEモデルやマルチモーダルモデルは含まれていませんが、その戦略は時代遅れではなく、オンチェーンでのデプロイメントにおける現実的な制約（推論コスト、RAG適合、LoRA互換性、EVM環境）に基づいて「実用優先」の構成がなされています。

Model Factoryはノーコードツールチェーンとして、すべてのモデルに貢献証明メカニズムが組み込まれており、データ貢献者とモデル開発者の権利を確保しています。低いハードル、可変性、そして組み合わせ可能性の利点を持ち、従来のモデル開発ツールと比較して:

• 開発者向け：モデルのインキュベーション、配布、収益の完全なパスを提供する；
• プラットフォームに対して：モデル資産の流通と組み合わせエコシステムを形成する；
• アプリケーター向け：モデルやエージェントをAPIを呼び出すように組み合わせて使用できます。

! [OpenLedger In-Depth Research Report: Building a Data-Driven, Model-Composable Agent Economy Based on OP Stack+EigenDA](https://img-cdn.gateio.im/social/ モーメント-f49cfa5ea73fc0018250d04193b34b60)

3.2 OpenLoRA、ファインチューニングモデルのオンチェーン資産化

LoRA（Low-Rank Adaptation）は、高効率なパラメータ微調整方法であり、事前訓練された大規模モデルに「低秩行列」を挿入することで新しいタスクを学ぶことができ、元のモデルパラメータを変更することなく、訓練コストとストレージ要件を大幅に削減します。従来の大規模言語モデル（LLaMAやGPT-3など）は、通常数十億から数百億のパラメータを持っています。これらを特定のタスク（法律的な質問応答や医療相談など）に使用するには、微調整（fine-tuning）が必要です。LoRAのコア戦略は、「元の大規模モデルのパラメータを固定し、挿入された新しいパラメータ行列のみを訓練する。」であり、そのパラメータ効率、訓練の速さ、柔軟なデプロイメントは、現在のWeb3モデルのデプロイと組み合わせ呼び出しに最も適した主流の微調整方法です。

OpenLoRAはOpenLedgerが構築した、複数のモデルのデプロイとリソース共有のために設計された軽量推論フレームワークです。その核心的な目標は、現在のAIモデルデプロイメントにおける一般的な高コスト、低再利用、GPUリソースの無駄遣いといった問題を解決し、「支払い可能なAI」（Payable AI）の実現を推進することです。

OpenLoRA システムアーキテクチャのコアコンポーネント、ベースはモジュール